[发明专利]基于深度学习和光流法的心脏冠状动脉影像分割识别方法

说明书

本发明提供了一种基于深度学习和光流法的心脏冠状动脉影像分割识别方法，通过选取分段心脏造影Dicom视频中任意连续两帧图片作为训练样本，将训练样本输入神经网络中；神经网络基于所述训练样本，计算连续两帧图片之间的光流信息作为两帧之间的映射，同时将光流信息输入神经网络中；神经网络通过深度学习的方法对前一帧图片及光流信息得到的第三特征图及当前帧图片得到的第四特征图组合得到的第五特征图输入金字塔模块中，金字塔模块基于第五特征图应用金字塔融合的方法得到不同尺度的心脏血管特征图；反卷积层通过双线性插值的方法将不同尺度的心脏血管特征图沿着一个维度合并到一起，得到心脏冠状动脉影像分割识别血管图，提高了分割精确度。

技术领域

本发明涉及互联网技术领域，尤其涉及一种基于深度学习和光流法的心脏冠状动脉影像分割识别方法。

背景技术

冠状动脉造影图像的分割是图像分割技术在医学领域的重要应用，冠状动脉血管的精确提取可以辅助医生诊断心血管疾病并确定合适的治疗方案，同时其也是血管三维重建的重要基础，在临床医疗中发挥着重要作用。

传统应用深度学习技术对Dicom视频文件进行分割的做法是一帧一帧的进行分割，而且没有利用到帧与帧之间的关联性，最终导致分割结果抖动比较大，效果并不是那么好。

发明内容

为了解决上述问题，本文提出了一种基于深度学习和光流法的心脏冠状动脉影像分割识别方法，可以实现端到端的训练，以一定的准确率在心脏冠状动脉造影图像上实现血管分割识别。本发明采用光流法来表示帧与帧之间的关联性，并将其作为输入提供给神经网络进行训练，这使得神经网络可以获得更多有价值的信息，从而可以得到较好的分割结果。

为了达到上述目的，本发明提供的一种基于深度学习和光流法的心脏冠状动脉影像分割识别方法，包括：

选取分段心脏造影Dicom视频中任意连续两帧图片作为训练样本，将训练样本输入神经网络中；神经网络基于所述训练样本，计算连续两帧图片之间的光流信息作为两帧之间的映射，同时将光流信息输入神经网络中；

神经网络通过深度学习的方法对前一帧图片及光流信息得到的第三特征图及当前帧图片得到的第四特征图组合得到的第五特征图输入金字塔模块中，金字塔模块基于第五特征图应用金字塔融合的方法得到不同尺度的心脏血管特征图；反卷积层通过双线性插值的方法将不同尺度的心脏血管特征图沿着一个维度合并到一起，得到心脏冠状动脉影像分割识别血管图。

进一步的，所述分段心脏造影Dicom视频的获取方法包括：

接收医疗综合数据库中存储的与病变种类信息对应的整段心脏造影Dicom视频；

基于病变种类信息，使用SSN(Structured Segment Network,结构分割网络)协同分析整段心脏造影Dicom视频中出现的关键特征信息。

基于关键特征信息并结合体位信息，对整段Dicom视频进行分段，并迭代该步骤，直到最终找到满足设定的分段视频。

进一步的，所述卷积神经网络模块由多层相同单元多次堆叠而成，同时读取预训练模型参数；

所述单元从上到下依次为卷积层、批规范化层、快捷连接层、激活函数层。

进一步的，所述神经网络通过深度学习的方法对前一帧图片及光流信息得到的第三特征图的步骤包括：

将两帧图片中的前一帧图片取出输入卷积模块，运行模型计算图，取出计算过程中最后一个卷积层输出的第一特征图；

将光流信息输入卷积模块中进行主要特征提取，得到第二特征图；

打包层接收第一特征图和第二特征图，对第一特征图和第二特征图进行线性插值的操作，将第一特征图和第二特征图进行有效信息的融合，得到第三特征图。